大气污染预报稿崔旭

大气污染预报摘要本文就大气污染预报问题进行了研究。第1问通过绘制各城市的SO、NO、PM10月API均值折线图及22日含量图，分析污染物的折线走势，总结出各城市SO、NO、PM1022之间的特点，建立层次分析模型对这几个城市的空气质量进行排序。第2问利用Matlat软件对ABCDE城市的三种污染物及气象参数2010年的日含量进行拟合处理，得出其日含量函数，利用得出的函数进行预测。由于F城市2010年的数据空缺，只能根据其与A城市的相关性对其进行定性预测。第3问用典型相关性分析分别分析A、B、C、三城市空气污染物SO、NO、PM10与气象要素这两组数据间的关系。求出不同季节的22相关系数，判定气象参数最有可能是属于哪一城市的。再对该城市进行偏相关性分析，最终得出污染物与气象参数之间的关系。第4问依据第三问所求得的气象参数和与其对应城市之间的关系，分析影响各污染物浓度的主要因素，依此对有关部门提出合理的建议，以提高该城市的空气质量。关键词：折线层次分析模型拟合预测相关性建议问题重述问题背景随着地球上人口的急剧增加，人类经济增长的急速增大，地球上的大气污染日趋严重，其影响也日趋深刻，如由于一些有害气体的大量排放，不仅造成局部地区大气的污染，而且影响到全球性的气候变化。因此，加强大气质量的监测和预报是非常必要。目前对大气质量的监测主要是监测大气中SO、NO、悬浮颗粒物（主要为PM10）22等的浓度，研究表明，城市空气质量好坏与季节及气象条件的关系十分密切。本文根据所给附件，针对A、B、C、D、E、F六个城市建立大气污染的综合评价模型，对各城市的空气质量进行分析评价，并对各气象参数作出预测。问题提出第一问要求找出A、B、C、D、E、F六个城市SO、NO、PM1022之间的特点，并将几个城市的空气质量进行排序。第二问要求对未来一周即2010年9月15日至9月21日各个城市的SO、NO、PM10以及各气象参数作出预测。22第三问是根据建立的模型，分析空气质量与气象参数之间的关系。第四问，就空气质量的控制对相关部门提出具体意见。问题分析本题涉及到人们的生活实际，旨在建立模型，分析评价当前的空气质量水平和空气污染因素，寻找空气质量与气象参数之间的问题，并对大气污染进行预测，最终通过建立的模型及得出的结论对空气质量的控制提出建议。根据问题重述，我们将分四部分来解决这一问题：各气象参数特点及各城市空气质量排序根据附件中给出的六个城市各气象参数，运用已有的API分别计算各个城市各项污染指标，然后绘制各城市的SO、NO、PM10月22API均值折线图，通过观察分析，找出A、B、C、D、E、F六个城市so、2NO、PM10之间的特点。2各城市气象参数预测依据附件所提供的各项参数，我们可以发现，所给数据多，预测时期短，所以可运用时间序列进行预测。空气质量与气象参数的关系空气污染物与气象要素关系密切，研究的方向多为相关性分析与回归分析或从理论上描述气象要素对污染物迁移扩散的影响。但是回归分析应用于处理不相关变量之间关系，而典型相关性分析能很好地解决由于变量之间相关而导致回归准确性降低的问题。并且观察原始数据发现，其中只有一组气象参数，故猜测气象参数是在其中某一个城市所采集。现应用典型相关性分析分别分析A、B、C、三城市空气污染物SO2、NJ、PM10与气象要素这两组数据间的关系。求出不同季节的相关系数，判定气象参数最有可能是属于哪一城市的。再对该城市进行偏相关性分析，最终得出污染物与气象参数之间的关系。该过程由SPSS直接完成。就空气质量控制提出具体意见依据整个模型建立中所得到的相关数据和结论，分析出城市空气质量与各污染物浓度的关系，找出影响空气质量的主要因素，预测近几年空气质量的走势，依此向有关部门提出合理建议，以改善城市的空气质量状况。模型假设假设城市空气质量好坏与季节及气象条件的关系十分密切。假设A、B、C、E、F六个城市的发展速度没有明显差异。附件所给的的数据有效准确、真实可靠，不考虑人为因素，仪器精度不同的影响，具有统计预测意义。3.4在预测期即2010年9月15日至9月21日时间段内，各城市没有发生严重大气污染事故。3.5假设F城的发展是平衡发展，政府对环境治理干预较小，即F城市的环境不会出现强烈波动。3.6API指标真实可靠，所给数据具有参考统计价值。3.7对F城进行定性预测时，A、F城的发展状况基本相同，具有比较价值。3.8月API平均值可以很好地代表该月的空气质量，具有使用价值。符号说明C为测点逐时污染物浓度in为测点的日测试次数l为全市监测点数P为最大特征根A所对应的特征向量为天数为温度r表示变量x与变量x的简单相关系数。1212r表示变量x与变量x的简单相关系数。13 1 3r表示变量x与变量x的简单相关系数。23 2 3模型的建立与求解5.1问题1 找出各个城市SO、NO、PM10之间的特点，并将22几个城市的空气质量进行排序。

各气象参数特点分析API（AirPollutionIndex的英文缩写）是空气污染指数，我国城市空气质量日报API分级标准如表1：表1空气污染指数对应的污染物浓度限值污染指数污染物浓度〔毫克应方米）APIso21日均值）no2（日均值）PM101日均值5..CO '競小时均值）6盜小时均值）:500.0500.0800.050 :50.1201000.1500.1200.150 /100.2002000.8000.2800.350 .60.0.400、：：3001.6000.5650.420900.300400■2.1000.7500.500 .120.1.000'^500.2.6200.9400.600150K200表2空气污染指数范围及相应的空气质量类别空气污染指数API空气屋量状况.对健廣的哉响建逡采取的措施0-50忧可正常活动「51-100良101-150轻微污染易感人群症状有轻度加剧'僮療人群出现刺激症状心脏病和呼吸丢统疾病患者应减少体力消耗和戶外活动151—200轻度污染201-2.50中度污染怙脏病和肺病患耆症状显著加剧/运动耐受力降低，健廳公群中普遍出现•CJ4老年人和怙脏病、肺病患者应在停留在室内，并減黃体力活动251—300中度重污染^00重污染健鹿洽运动耐受力降低，有明显强烈症状，提前出现某些疾病老年丸和病人应当留在至内，避免体力消耗，一殷人群应避免户外活动空气污染指数的计算方法如下：

基本计算式：设I为某污染物的污染指数，C为该污染物的浓度。则:1)I=大"小（C-C）+11)C-C 小小大小式中，I为某污染物的污染指数，C为该污染物的污染浓度。C大与C分别为表1-1中最贴近C值的两个值，C为大于C的限值，C小 大 小为小于C的限值，同样，I与I也是限值。大小全市API的计算步骤a求某污染物每一测点的日均值C点日均二C点日均二工C/nii=12）式中：C为测点逐时污染物浓度，n为测点的日测试次数ib求某一污染物全市的日均值C市日均=YC点日均j/1 ⑶i=1式中：l为全市监测点数c将各污染物的市日均值分别代入API基本计算式所得值，便是每项污染物的API分指数。d选取API分指数最大值为全市API。全市主要污染物的选取各种污染物的污染分指数都计算出以后，取最大者为该区域或城市的空气污染指数API,则该项污染物即为该区域或城市空气中的首要污染物。根据附件中给出的六个城市各气象参数,运用已有的API分别计算各个城市各项污染指标，然后绘制各城市的SO、NO、PM10月API22均值折线图，通过观察分析，找出A、B、C、D、E、F六个城市so、2NO、PM10之间的特点。2各城市各项指标月API平均值折线图图表一：各城市各项指标月API平均值折线图

150SO2NO210050ClF城市wcSO2SO60PM104020□ 1 150SO2NO210050ClF城市wcSO2SO60PM104020□ 1 1 1 1 1 1 1.5 2 2.5 3 3.5 4整体分析图表并结合附录1,可以看出A、B、C、D、E五个城市E城市NO2PM10SO2、NO2、PM10等污染物浓度均呈现波动性并且有缓慢下降趋势。分析A城市数据，发现A城市PM10浓度与B城市差别并不显著,但是观察发现A城市PM10的值在2010年8月后有所回升，这一点也可由数据得到验证。B城市S02波动性很强，但是下降的趋势并不是非常的明显，说明B城市可能有一些周期性的污染源需要治理。而B城市的PM10波动性强有明显下降趋势，这说明B城市很有可能在2010年采取过一些相应的积极措施，使得该城市PM10浓度在短期内大幅度下降。而A、B两城市的S02和PM10数值均明显高于N02的数值，且两城市污染物的波动方式相似，可粗略认为A、B两城市有部分工业或者结构上的相似。分析C、D两城市可知SO2、NO2、PM10浓度较平稳波动，只有PM10在个别时段有较大的起伏，而在其他时间序列内均趋于平缓变化。C、D两城市的PM10曲线在同一时间明显偏高，可推论在那一段时间有某些外界因素使得两个城市的PM10数值共同上升。分析E城市空气污染物浓度可知，E城市SO2、NO2、PM10浓度均在一定范围内平稳变化，说明该城市在所选时间段内空气质量比较平稳。由于F城市数据严重不足，只有从2004年9月1日到2009年12月27日的采集数据，故在F城市数具有统计意义的前提下，由图可知观看出F城月平均污染物浓度大致呈现平稳趋势。最后，做出如下总结：根据上述分析，我们猜测，A城市与B城市的城市结构有相似之处,C城市与D城市在个别月可能同时受到相同的外界因素影响，导致PM10突然升高，而E城市空气质量平稳性最好。各城市空气质量排序模型的建立建立层次分析模型来对城市的空气质量进行排序，层次分析法是一种定性和定量相结合的、系统的、层次化的分析方法。通过逐层比较多种关联因素来为分析、决策、预测或控制事物的发展提供定量依据。具体建模步骤如下：1）分析系统中各因素之间的关系，建立系统的递阶层次结构。本题中所涉及的因素有城市，污染物以及排序总共三个，影响排序的指标为三个污染物的指标，而污染物的指标又受到不同城市的影响，据此所建立的层次结构如下图所示：图表二so.城市A城市c城市E城市F城市so.城市A城市c城市E城市F城市B城市空气污染度排NO.城市D2）构造判断矩阵构造判断矩阵主要通过比较同一层次上的各因素对上一层相关因素的影响作用。比较时采用相对尺度标准度量，同时，要尽量依据实际问题具体情况，减少由于决策人主观因素对结果造成的影响。对于准则层判断矩阵的构造，我们参考了上面方法最终得出的六个城市的权重向量，以此作为主观构造判断矩阵的依据，得到判断矩阵Z。而方案层判断矩阵的构造较为复杂，由于所给数据不具有连续性，E城市的观测数据前段缺失，而F城市的数据过少，我们考虑对数据做以下处理：不考虑F城市，依E城市拥有的数据量做基准，只考虑A、B、C、D、E都有数据的后31个月。以API达到二级指标为准，分别统计每个城市SO、PM10、NO出22现的次数，每出现一次达到二级指标，就记一次，这样，得到三种污染物的次数矩阵T：（4）再由该矩阵构造判断矩阵Z、Z、Z。下面以Z矩阵的构造为例,1231定义判断矩阵构造的方法：对角线元素为1。第i个元素与第i+j个元素相比，若第i个元素较大，则相减得到的绝对值作为分子，分母为1,；反之，分子为1，相减得到的绝对值为分母。这个数值做为构造矩阵的第i行第i+j列元素，依次构造出上三角矩阵的元素。根据一致性原作，构造出下三角矩阵，即可得到完整的判断矩阵。3）由判断矩阵计算被比较因素对每一准则的相对权重，进行判断矩阵的一致性检验。确定相对权重向量的方法很多，这里我们选择特征根法。以判断矩阵Z为例：设权重向量为P， ，且，则有下列等式：P（5）ZP这里，P为最大特征根入所对应的特征向量，且入$n。当通过一致性检验后，可以确定A=no据此方法，还可以得出方案层的特征向量Q=（P，P，P），注意P是有三个元素的一维向量，P、P、P123123都是有六个元素的一维行向量，其计算方法同P。最后，我们得出了方案层对目标层的最终权重的计算式：（6）所得最终权重表示各城市空气质量受污染程度，数值越大说明该城市污染越严重，空气质量越差。结果及排序ABCDE的空气质量排名为:CABEDABCDF的空气质量排名为:FABCD问题2对未来一周即2010年9月15日至9月21日各个城市的SO、NO、PM10以及各气象参数作出预测22利用2010年所给数据，用Matlat软件分别对ABCDE城市的so、2NO、PM10以及各气象参数做时序图，然后对做出的图形进行拟合2处理，分别得出其拟合函数。利用所得函数对其进行预测。F城市所给数据时间与需预测时间相距甚远，若强行预测出趋势变化，没有实际参考意义，故在对F城市进行预测时，只做定性的说明。模型的建立以温度为例，做出温度时序图如下：

观其特点，接近于线性关系，决定利用已有数据进行拟合处理分别对其进行二次、三次、四次拟合处理，如下：图表四7)利用Matlab拟合得出二次函数如下：7)y二—0.0008x2+0.3574x-17.54028)利用Matlab拟合得出三次函数如下:8)y=—0.0000x3+0.0024x2+0.0314x-10.6268

图表六利用Matlab拟合得出四次函数如下：y=—0.0000x4+0.0000x3+0.0010x2+0.1130x-11.6741 （9）对所得函数进行分析，三次和四次的系数接近于0，可忽略不计因此二次拟合所得函数比较符合温度时序图的走势。最后得到模型为：y=—0.0008x2+0.3574x—17.5402模型的求解我们用该模型对2010年9月15日至2010年9月21日七天tem作出预测，结果如表3：

预测时间tem201021.-9-157214201021.-9-166748201021.-9-176266201021.-9-185768201021.-9-195254201021.-9-204724201021.-9-214178表3：七天温度预测表各项指标的求解类似于温度预测的分析求解过程，分别对A、B、C、D、E五个城市的各项污染物浓度以及气象参数进行预测，结果如表4：ABCSO2NO2PM10SO2NO2PM10SO2NO2PM109月15日0.0278804.0260508.0585203.0179604.035370.0494109.0205707.0310704.0505599月16日0.0278205.024120.0626401.0205503.0329502.049040.0195503.0274503.0501629月17日0.0277904.0234809.0604807.0203202.0309601.049320.019020.0274503.0463239月18日0.0277709.0232803.0513903.022010.0293202.0491909.0192602.0274503.0472479月19日0.0277701.0232106.042040.0234805.0279702.0491009.0191509.0274503.0485839月20日0.0277607.0231904.0327202.0242006.0268601.0491107.0211802.0274503.0515939月21日0.0277605.0231807.055480.0249608.0259407.0491003.0227905.0274503.051294DESO2NO2PM10SO2NO2PM10mmghtemrhws9月15日0.017540.0132004.0777304.009520.0244108.070986965.939280.5140459.696613.1522959月16日0.0131102.013020.069830.0107504.0249205.06621665.939280.1259469.11261.1694179月17日0.0141109.0129708.073260.0111802.0251006.064926965.939280.2459418.795114.1522959月18日0.0163009.0129608.0727509.0113308.0251710.0739665.939280.3658478.622517.1890779月19日0.0160107.0129606.0727302.0129808.0251904.071196465.939280.4858428.528715.1824219月20日0.0200703.0129606.0831804.0148904.0252002.076506665.939280.6057478.477716.1731369月21日0.0162206.0129605.0783704.0127201.0252005.076616465.939280.7257428.450014.177048表4：各城市各项指标预测值5.2.4对于F城市的定性分析从前一问可以看出，整体城市空气质量排序中，F城市是好于A城市的，在F城市的数据中，只有2004年9月15日至21日。

绘制A城市2004年9月15日至21日与F城市2004年9月15日至21日时期三项指标的比较图图表七：A城市与F城市在2004年三项指标比较图从图上看出，A城市与F城市在2004年9月15日至21日三项指标走势在很大程度上有一定的相似性。绘制A城市2004年9月15日至21日与2010年9月15日至21日三项指标的整体比较图：图表八：A城市在2004年与2010年三项指标走势图由图可以看出，三个指标的走势在两年里面没有明显地统一趋势，故对F城市只定性说明：在2010年时三项指标均明显低于2004年。5.2.5对于F城市的预测因2010年与2004年的指标走势没有明显线性关系，所以只能定性的分析：F城市污染物各项指标在2010年9月15日至21日的测量数值均低于2004年同期，即F城市的空气质量提高，且优于A城市。5.3问题3分析空气质量与气象参数之间的关系选取A、B、C三城市，分别运用典型相关性分析，对气象参数（大气压mmgh，温度tem，风速ws，湿度rh）及各项污染物浓度进行分析，判断气象参数的城市属性，再对此城市进行偏相关性分析，得出结论。整个过程由SPSS完成。典型相关性分析原理主要思路是将两组变量的相关性研究转化为两个综合变量的相关性研究，这种相关称为典型相关，这两个综合指标称为典型变量。典型相关分析是基于主成分的相关分析，首先运用主成分分析，分别对两组变量抽取主成分，进而分析两组主成分间的相关性。因此，我们可以通过典型相关分析，得出A,B,C城中，与气象因素相关性最高的城市。1）根据分析目的建立原始矩阵原始数据矩阵xx1112xx212xyxx1112xx212xyy…y1p11121qxyy…y2p21222qxyynp n1 n2nqxxn1 n2y2）对原始数据进行标准化变化并计算相关系数矩阵_RR10)R— 11 1210)RR2122其中R，R分别为第一组变量和第二组变量的相关系数阵，R-2212R'为第一组变量和第二组变量的相关系数21（3）求典型相关系数和典型变量计算矩阵A=R-1RR-iR以及矩阵B=R一iRR-1R的特征值和特1112222122211112征向量，分别得到典型相关系数和典型变量。（4）检验各典型相关系数的显著性典型相关性分析运用统计和分析软件SPSS进行典型相关分析。典型相关性分析程序：

5.3.3典型相关分析结果分析结果典型性相关性分析用来讨论在污染物浓度与气象要素两组数据之间存在何种关系。根据所给数据特征，可分为冬季和春季两时段进行分析。观察结果，可看出C城市的各项污染指标与气象参数的相关性最高，故，可近似认为所给气象参数为C城的气象参数。

维度递减检验结果（降维检验）维度递减检验结果（降维检验）Wilk'sChi-SQDFSig.Wilk'sChi-SQDFSig.10.565237.83312.0000.00010.592165.44212.0000.00020.80988.1456.0000.00020.830 58.9946.0000.00030.96016.8712.0000.00030.925 24.4772.0000.000标准化典型系数一第一组标准化典型系数一第一组123123cso20.2170.431-1.262cso2-0.324 0.077-1.338cno2-0.7430.9370.956cno2-0.517 -0.8430.898cpm10-0.490-1.266-0.239cpm101.041 -0.3950.038标准化典型系数一第二组标准化典型系数一第二组123123mmhg-0.741-0.426-.540mmhg -0.044 -0.908-0.509tem-0.124-0.223-0.046tem 0.240 -0.621 0801rh-0.255-0.3690.933rh -0.201 0.047 0.519ws 0.665 -0.772 0.120ws 0.875 0.253 -.121表5：C城市典型性相关性分析结果分析：冬季的第一、二个典型相关细数分别为0.810和0.534，并通过显著性检验，说明在冬季污染物与气象参数两组数据间有显著的相关关系：前两个特征值加起来已经占全部特征值的80%以上，因此取前两个典型变量进行分析即可。分析结果：两个时间尺度上（春季和冬季），污染物与气象参数存在着显著的相关关系，大气压和风速对气态污染物（NO，SO）22有显著的影响，风速对PM10有显著影响。温度和湿度对SO有微弱影2响。偏相关性分析原理偏相关性分析是指当两个变量同时跟第三个变量相关时，将第三个变量的影响剔除，只分析另外两个变量之间相关程度的过程。因此，我们通过偏相关分析，分析各个气象因素对C城各污染物浓度的影响。偏相关性分析的工具是计算偏相关系数r。12,3

计算公式：变量X和2假定有三个变量：X，X，X变量X和21 2 3 3Xi之间的偏相关系数心r123r—rrr123r—rr12 132311)其中，r表示变量x与变量x的简单相关系数。12r表示变量x与变量x的简单相关系数。1 3r表示变量x与变量x的简单相关系数。23 2 3显著性检验公式：rt— 123 12)|1—r12)n—3其中，n为个案数，n—3为自由度。5.3.5对C城市进行偏相关性分析运用统计和分析软件SPSS进行偏相关性分析，结果如下:C冬季mmghtemrhwsSO2相关系数.245.013-.121-.316显著性水平.000.786.013.000NO2相关系数.345.036.080-.457显著性水平.000.461.103.000PM10相关系数.456.111.141-.321显著性水平.000.023.004.000C春季mmghtemrhwsSO2相关系数.287-.085-.088-.131显著性水平.0019NO2相关系数.273.130.028-.248显著性水平.000.020.614.000PM10相关系数.182.150-.115.358显著性水平.001.007.040.000表6：偏相关分析各项相关系数分析：冬季分析：冬季SO与风速的相关系数为-0.316，呈现负相关，2即风速越大，SO浓度越低。NO与大气压和风速明显相关，NO与大222气压正相关，即大气压越高，浓度越高，其与风速的关系和SO相似2为负相关。PM10与大气压正相关，与风速负相关。春季分析：整体相关性不明显，SO与大气压为微弱的正相关，2NO与大气压和风速均为弱相关，PM10与风速正相关。说明，风速对2可吸入颗粒起扩散作用，而且，大风天容易产生沙尘天气，加重污染。5.3.6分析结论冬季时，风速和污染物（PM10、SO、NO）有显著的负相关，22即风速越大，污染物浓度越低，大气压与NOPM10呈现正相关，即2、大气压越高，污染物浓度越高。春季部分指标相关性不明显，气态污染物（SO、NO）均与风22速呈现弱相关，而PM10与风速正相关，即风速越大，PM10的浓度越高。问题4就空气质量的控制对相关部门提出你的建议环保部门对空气中污染物浓度数据的真实，有效，准确的检测并记录对评估空气质量有着重要作用；另一方面，由第三个问题中的分析与求解可以得出，各个气象因素对每种污染物都有一定程度的影响，因此对气象因素的监测有利于环保部门做出对当前时期的主要污染物以及其未来一定时期的变动做出有效地评估分析；最后由第三问的求解结果分析，发现气体污染物的污染程度与风速，大气压等密切相关，因此，在城市规划中可以考虑采取认为措施，对环境进行改变。据此，我们对以下有关部门提出建议：环保部门：应有效地做好对空气质量评价各个指标的监测，切实做到数据的真实与可靠性，并根据各项污染物一段时间内的变化趋势采取相应的治理措施。同时环保部门也应该做好监督的责任，按时查访各个工厂，检验废气的排放是否达标，工厂烟囱设计是否合理。对不达标，不合理的工厂要依法处理。气象部门：根据当前气象因子对空气的污染程度，及时做出可行的认为调整，以提高空气质量。例如：当前和未来一定时期内为强烈干燥气候时，空气的相对湿度较低，部分气体污染物的污染相对增强，应采取人工降雨的措施增加空气相对湿度，以此降低空气中气体污染物，如SO2、NO2的浓度，以提高空气质量。车辆监管部门及城市道路规划部门：在城市原有车辆的基础上，采取措施控制车辆的增长，以减少汽车尾气中硫化物、氮氧化物的排放，并对城市道路规划做出合理改善与完善，以避免车辆引起的二次扬尘增加空气中可吸入颗粒的浓度。模型的评价与改进模型的评价问题一采用动态加权函数模型，充分的考虑了每一个因素的每一属性所存在的差异，增加了综合评价的客观性和科学性。问题二运用时间序列，很好地解决了具有时序性，随机性，前后时刻具有相依性，呈现某种趋势，或周期性的数据序列，并能够做出准确的预测。问题三，典型相关性分析解决了传统多元统计中，只能分析一个变量与多个变量之间关系的问题，实现了两组变量间的分析，可以很好的解决某些组合相关性很高的问题。模型的改进问题二中运用拟合得出的函数不可避免的存在一定的误差，对其进一步的检验可以减小其误差。问题三典型相关性分析局限于两组变量的分析，要求两组变量都是连续变量，其变量都必须服从多元正态分布。偏相关性分析可以很好地解决当两个变量同时跟第三个变量相关时，它们之间单独影响的相关性。参考文献韩中庚，数学建模方法及其应用，北京：高等教育出版社，2009.6黄润龙，数据统计与分析技术——SPSS软件实用教程，北京:高等教育出版社，2004.7关于大气污染问题的模型/p-220254350.html附录附录一各城市SO2、NO2、PM10污染物的时序图A地大气污染物含量0.8000.7000.6000.500量含0.4000.3000.2000.1000.000日1月7年0102日1月4年0102日1月1年0102日1月01年9002日1月7年9002日1月4年9002日1月1年9002日1月01年8002日1月7年8002日1月4年8002日1月1年8002日1月01年7002日1月7年7002日1月4年7002间时日1月1年7002日1月01年6002日1月7年6002日1月4年6002日1月1年6002日1月01年5002日1月7年5002日1月4年5002日1月1年5002日1月01年4002日1月7年4002日1月4年4002日1月1年4002日1月01年3002B地大气污染物含量0.7000.6000.5000.4000.3000.2000.100量含0.000日1月7年0102日1月4年0102日1月1年0102日1月01年9002日1月7年9002日1月4年9002日1月1年9002日1月01年8002日1月7年8002日1月4年8002日1月1年8002日1月01年7002日1月7年7002日1月4年7002时间日1月1年7002日1月01年6002日1月7年6002日1月4年6002日1月1年6002日1月01年5002日1月7年5002日1月4年5002日1月1年5002日1月01年4002日1月7年4002日1月4年4002日1月1年4002日1月01年3002C地大气污染物含量日1月7年0102日1月4年0102日1月1年0102日1月01年9002日1月7年9002日1月4年9002日1月1年9002日1月01年8002日1月7年8002日1月4年8002日1月1年8002日1月01年7002日1月7年7002日1月4年7002日1月1年7002日1月01年6002日1月7年6002日1月4年6002日1月1年6002日1月01年5002日1月7年5002日1月4年5002日1月1年5002日1月01年4002日1月7年4002日1月4年4002日1月1年4002日1月01年3002D地大气污染物含量000900800700600500400300200100日1月9年0102日1月6年0102日1月3年0102日1月21年900日1月9年9002日1月6年9002日1月3年9002日1月21年800日1月9年8002日1月6年8002日1月3年8002日1月21年700日1月9年7002日1月6年7002日1月3年7002日1月21年600日1月9年6002日1月6年6002日1月3年6002日1月21年500日1月9年5002日1月6年5002日1月3年5002日1月21年400日1月9年400.量0.量含..0.0.量0.含.0.0.E地大气污染物的含量0.6000.5000.4000.200量含0.3000.1000.000日1月9年0102日1月7年0102日1月5年0102日1月3年0102日1月1年0102日1月11年900日1月9年9002日1月7年9002日1月5年9002日1月3年9002日1月1年9002日1月11年800日1月9年8002日1月7年8002日1月5年8002日1月3年8002日1月1年8002日1月11年700日1月9年7002时间F地大气污染物的含量0.3000.2500.200量量含 0.1500.1000.050日时间0.000附录二问题二中，利用Matlat软件做时序图及预测的程序如下:-6.5-8.813-7.087-6.292-4.729-7.917-9.771-2.0631.25-0.792-7.717-11.283-12.674-9.304-7.565-8.022-4.5430.631.7171.136.1962.371.761-5.761-1.587-1.8332.375-6.833-14.063 -19.583 -14.771 -12.688 -12.354 -12.646-11.229 -3.729 -13.417 -12.021 -12.104 -7.333-13.792-8.7710.1252.3131.1093.326a=1:1:251b=[-4.938-4.729-6.354-14.917-19.479-11.938-11.083-10.292-3.563-9.87-6.521-6.022-8.065-11.848-7.54310.8486.7615.804-8.978-4.196-7.271-1.766-4.625-1.25-2.0425.8335.116-0.0654.3331.4174.104-1.6880.1884.4573.8267.3957.2926.5781.1250.3132.8049.1678.3042.3495139159.6595.6257.7394.625-3.5831.0214.5966.5839.26111.76113.66713.45810.4173.648.52213.7391.542-1.25-0.1464.0216.45812.71720.86418.55815.14616.0218.25615.39616.15213.39111.0429.81313.79216.66717.91712.93517.78313.64613.02113.8961922521.10920.08719.20816.83321.20815.513.27116.91317.42917.14619.72921.63818.58319.87521.73921.26121.60420.70820.08516.14619.89621.8124.89623.69624.65927.45718.85416.91719.60922.76125.20825.12525.18825.70825.97425.22227.53627.43829.8727.80420.521.39627.60929.72927.58327.33328.16720.58324.08318.21721.56525.33326.29225.31325.04221.25522.82197825896226252626.83327.06428.08726.81828.88928.64628.37530.66733.04230.523.0872224.62522.85421.37519.04222.58718.13322.33321.524.29221.87523.93822.69620.52222.93822.89621.2518.08321.54223.39115.76119.87522.47121.3131.26120190872095721.83319.12117.26118.70819.51763619652209582312516.60916.2516.02119.05418.27520.06321.521]plot(a,b)E=polyfit(a,b,2)z=polyval(E,a)plot(a,b,'k+',a,z,'r')E=polyfit(a,b,3)z=polyval(E,a)plot(a,b,'k+',a,z,'r')E=polyfit(a,b,4)z=polyval(E,a)poly(a,b,'k+',a,z,'r')z=Columns1through8-17.1836-16.8286-16.4752-16.1234-15.7732-15.4246-15.0775-14.7321Columns9through16-14.3882-14.0459-13.7052-13.3660-13.0285-12.6925-12.3582-12.0254Columns17through24-11.6942-11.3645-11.0365-10.7100-10.3852-10.0619-9.7402-9.4201Columns25through32-9.1016-8.7846-8.4693-8.1555-7.8433-7.5327-7.2237-6.9162Columns33through40-6.6104-6.3061-6.0034-5.7023-5.4028-5.1049-4.8085-4.5138Columns41through48-4.2206-3.9290-3.6390-3.3506-3.0638-2.7785-2.4948-2.2128Columns49through56-1.9323-1.6534-1.3760-1.1003-0.8261-0.5535-0.2826-0.0132Columns57through640.25470.52090.78551.04861.31011.57001.82832.0850Columns65through722.34022.59372.84573.09613.34493.59213.83774.0818Columns73through804.32434.56514.80445.04215.27835.51285.74585.9771Columns81through886.20696.43516.66186.88687.11027.33217.55247.7711Columns89through967.98828.20378.41768.63008.84089.05009.25769.4636Columns97through1049.66809.870910.072110.271810.469910.666410.861311.0547Columns105through11211.246411.436611.625211.812211.997612.181412.363712.5443

Columns113through12012.723412.900913.076813.251213.423913.595013.764613.9326Columns121through12814.099014.263814.427114.588714.748814.907215.064115.2194Columns129through13615.373215.525315.675915.824815.972216.118016.262216.4049Columns137through14416.545916.685416.823216.959517.094217.227417.358917.4889Columns145through15217.617217.744017.869217.992818.114918.235318.354218.4714Columns153through16018.587118.701218.813818.924719.034019.141819.248019.3526Columns161through16819.455619.557019.656919.755119.851819.946920.040420.1323Columns169through17620.222720.311420.398620.484220.568220.650620.731420.8107Columns177through18420.888320.964421.038921.111821.183121.252921.321021.3876Columns185through19221.452621.516021.577821.638021.696621.753721.809221.8631Columns193through20021.915421.966122.015222.062822.108722.153122.195922.2371Columns201through20822.276822.314822.351322.386122.419422.451122.481222.5098Columns209through21622.536722.562122.585922.608122.628722.647722.665222.6810Columns217through22422.695322.708022.719122.728622.736522.742922.747622.7508Columns225through23222.752422.752422.750922.747722.743022.736622.728722.7192Columns233through24022.708122.695522.681222.665422.648022.629022.608422.5862Columns241through24822.562422.537122.510222.481622.451522.419922.386622.3517Columns249through25122.315322.277322.2377>>plot(a,b,'k+',a,z,r')>>E=polyfit(a,b,3)E=E=-0.00000.00240.0314-10.6268>>z=polyval(E,a)~7 —z=Columns1through8-10.5930-10.5544-10.5110-10.4629-10.4101-10.3527-10.2908-10.2243Columns9through16-10.1534-10.0780-9.9983-9.9144-9.8261-9.7336-9.6370-9.5363Columns17through24-9.4315-9.3228-9.2101-9.0935-8.9730-8.8488-8.7208-8.5891Columns25through32-8.4538-8.3148-8.1724-8.0265-7.8771-7.7243-7.5682-7.4089Columns33through40-7.2462-7.0805-6.9115-6.7396-6.5645-6.3865-6.2056-6.0218Columns41through48-5.8352-5.6459-5.4538-5.2590-5.0616-4.8617-4.6592-4.4543Columns49through56-4.2470-4.0373-3.8253-3